外卖零售商特征对线上顾客地理分布规律的影响
doi：10.14089/j.cnki.cn11-3664/f.2020.12.004引用格式：焦腾啸，赵小华，李先国.外卖零售商特征对线上顾客地理分布规律的影响[J].中国流通经济，2020（12）：29-39.
1 2
焦腾啸 ，赵 小 华 ，李 先 国1 （1.中国人民大学商学院，北京市100872；2.中山大学国际金融学院，广东 519082）
珠海
摘 要：外卖配送服务行业近几年来到了快速发展时期，对于提供外卖服务的零售商来说，了解外卖消费者的地理分布规律对零售商制定选址策略以及广告促销策略都具有重要意义。前人研究虽已发现线上顾客距离分
U
布对外卖订单量的影响关系呈现“倒 型”规律特征，但并未探讨不同特征的外卖零售商的线上顾客地理分布规
8
律有何种差异。立足于饿了么物流配送公司超 万份订单数据的分析验证了外卖零售商家的日均订单距离与日
U
订单量之间存在“倒 型”关系，说明与商家的距离处于适中水平时，顾客选择该商家下单的可能性最大；同时，星
U
级评分较高的外卖零售商线上顾客地理分布的“倒 型”关系曲线相对于评分低的商家更为陡峭；连锁经营相对
U
于非连锁经营的零售商线上顾客地理分布的“倒 型”关系曲线更为陡峭且拐点右移；开业时长较长的商家相对
U
于时长较短的商家“倒 型”关系曲线更为陡峭且拐点右移。有鉴于此，外卖零售商可在离中心点适中距离的某个位置而非正中心点进行选址，并根据该适中位置确定促销策略；而开店时间较长或连锁品牌经营的零售商的选址策略以及广告促销策略所依据的距离可以相对更远，并适时调整其顾客拓展及促销的策略，提高顾客下单率以及在外卖平台上的流量转化率。
U
关键词：外卖；外卖配送服务；顾客地理分布；“倒 型”关系
中图分类号：F274 文献标识码：A文章编号：1007-8266（2020）12-0029-11
一、引言并洞察消费者的消费习惯是其制定发展策略的重要依据。传统的零售商大都通过效率较低、成本较高的线下现场调研方式了解顾客需求状况，而饿了么、美团等外卖平台通过对商家、物流配送、外卖消费者的资源整合，可以收集到更全面、更准确的商家、物流、顾客等多方数据信息，从而为商家了解更全面的外卖消费者信息提供了渠道。
随着外卖行业的快速发展，学术界开始针对外卖配送服务开展一系列学术研究。从现有研究
外卖配送服务行业近几年来到了快速发展时期。Trustdata的统计数据显示，2019
年中国外卖6 035 2020 3行业市场交易额达 亿元，截至 年 月中
4
国线上外卖用户规模近 亿人。新冠肺炎疫情的暴发使外卖零售商特别是餐饮零售企业的到店堂食需求受到明显影响，外卖业务就成为该类零售商的重要收入来源。对零售商家而言，了解顾客
收稿日期：2020-11-05
基金项目：国家社会科学基金重点项目“消费者在线行为模式研究”（19AGL016）作者简介：焦腾啸（1988—），男，河南省许昌市人，中国人民大学商学院博士研究生，主要研究方向为大数据营销；赵小华（1987—），本文通讯作者，女，河南省郑州市人，中山大学国际金融学院科研博士后，主要研究方向为消费者行为；李先国（1965—），男，湖南省长沙市人，中国人民大学商学院教授，博士生导师，主要研究方向为分销渠道管
成果来看，外卖服务相关的研究主要包括外卖商业模式的分析、配送服务优化、基于外卖用户的态度与行为研究三个方面：外卖商业模式分析主要包括外卖配送服务的流程、盈利模式以及外卖O2O
模式的运作方法等 [1-3] ；配送服务优化类问题主要涉及物流管理领域，包括基于各类算法的路径规划 [4-6]、配送时长估计等；基于外卖用户的态度与行为研究主要是利用调研的方法对用户外卖下单的意愿、满意度以及购买行为的建构以及影响因素研究 [7-9]。然而，基于外卖零售商或外卖平台真实数据的实证研究还处于萌芽阶段。基于真实外卖订单数据的综合类问题研究覆盖面更广，通常会同时涉及商家、物流、消费者等众多因素，具有更强的实践意义。但由于学术界接触企业真实数据的高门槛和局限性较大，因此这部分研究的成果较少，有待继续开发。
在只考虑零售商线下顾客的情形时，通常距离零售商越近的顾客，与商家的黏性越大，因为距离较远的顾客要承担较高的交通成本，然而在线上外卖场景中，顾客分布的规律需要重新审视。商家可以从订单中获取每个外卖消费者的距离信息或位置信息，帮助商家分析线上顾客的地理分布规律。前人研究表明，外卖商家的线上顾客地
U
理分布规律为“倒 型”，即顾客在较近位置和较远位置时选择某商家下单的概率较低，而在适中距离的位置选择该商家下单的概率较高[ 10 ]。然而，
U前人研究并未基于外卖商家的特征探讨这种“倒型”关系是否在不同特征的商家之间存在差异。本研究力图弥补这一空缺。首先通过真实的
U外卖商家订单数据验证这种“倒 型”关系的存在，后通过加入商家特征变量探讨商家特征变量对这
U U
种“倒 型”关系的调节作用，探讨“倒 型”关系的变化规律。本研究选取连锁经营特征、星级评分、开业时长作为商家的三个代表性特征，这三个特征短时间内保持稳定，对各行业、各类型的零售商家均具有普适性。
二、文献回顾与研究假设
（一）零售选址、商圈理论与顾客地理分布特征对零售商家来说，选址决策是未来一切发展的开端。开店选址首先需要确定目标区域的商圈特征，同时考虑人口、交通、市场、消费力等综合因素，最终选择合适的地点[ 11 ]。选址的重要性推动了选址理论、商圈理论的产生和发展。在不考虑零售商家本身因素的情况下，在以商家地理位置为中心的商圈范围内，不同位置分布的顾客、不同行为模式特征的顾客与商家的黏性不同。现有的零售商家选址理论主要考虑的因素包括业态[ 12 ]、产品与服务定位[ 13 ]、顾客特征 [ 14-15 ]以及地理环境因素 [11 16]等多方面，其中顾客特征是零售商家选
，
址的重要考虑因素之一。
顾客地理分布特征是商圈理论的基础[17]。商圈通常是指地图上以零售商店铺所在地点为中心的圆形区域空间范围，按范围由近及远分为核心商圈、次级商圈、边缘商圈三个层级，每个层级中的顾客特征有显著差异[ 18-19 ]。在这个空间范围内的顾客都可能被该零售商店铺吸引，所以商圈也可以理解为可能到店光顾并购买产品或服务的所有顾客居住的空间区域，具有明显的三层次性特
0~8
征 [ 19-20 ]：以零售商为中心的 公里内的圆形区域称为核心商圈（Primary Trading Area），该区域的顾
60%~80%，且销售额客密度最高，占总顾客量的60%~70%均来自核心商圈区域的顾客；离零售商8~12公里内的环形区域称为次级商圈（Secondary Trading Area），该区域顾客密度和数量相对稀疏，
15%~25%的客源分布在该区域内，销售额大仅有
20%；离零售商12~25
约占总体的 公里内的环形区域称为边缘商圈（Fringe Trading Area），该区域的顾客分布最为稀疏，知晓该零售商的人非常少，仅
5%~20%的客源且销售额一般不足10%，对于小有
规模的零售商来说，该区域几乎没有潜在顾客。
可以看出，顾客的地理分布规律与商圈特征具有紧密的关联。然而，前人的相关理论绝大多数是基于零售商线下顾客的地理分布特征，较少涉及线上顾客。在外卖零售的场景中，顾客通过
App
网页或 可以同时搜索到多个零售商家，因此顾客与零售商家的黏性可能会有所不同。以餐饮外卖为例，如果顾客与商家的距离较近，更可能以线下到店的形式进行消费，并且可能认为给近距离商家的外卖订单支付配送费是不划算的；如果空间距离较远，那么顾客的等待时间就较长，而对多数外卖消费者来说方便、快捷是选择线上订外卖的重要因素。总之，距离外卖零售商较近或较远
的顾客对商家的黏性都会因为成本问题而降低，只有在适中距离水平上的顾客才更有可能下单[ 10 ]。这便是零售商的线下顾客与线上顾客在地理分布规律上的基本差异。（二）企业生命周期与零售商特征循环和周而复始的生命周期是事物发展的基本规律，表现在政治、经济、环境、技术、社会等诸多领域。企业同样也不例外，任何一家企业均要经历创建、发展、成熟、衰落的阶段。企业生命周期理论（Firms’Life Cycle Theory）的主要观点是，企业的成长过程和企业所拥有的资源禀赋与面临的市场机会有直接的关联。企业生命周期理论可以表述为：“每一家企业都一定会不断地发展并经历几个特定的阶段，这几个阶段有着特定的规律且可以被分析和预测到，并且这几个阶段的顺序是不可逆的[ 21 ]。”在企业发展演变的几个阶段中，企业的竞争策略、市场定位都可能会有所差异，甚至企业的结构与日常行为活动都要随着不同阶段而进行调整[ 22-25 ]。
在有关企业生命周期的研究中，学者们针对周期中所有阶段的数量以及各阶段企业的不同特征进行了探讨 [21]。目前被广泛采用的是伯曼和埃
斯（Berman & Evans） 提出的引入（Introduc⁃文 [ 26 ] tion）、成长（Growth）、成熟（Maturity）、衰退（De⁃ cline）四阶段理论。根据他们的观点，零售商引入期的销售额和利润都低于行业平均值的水平，但却逐步增长，商家面临的成本和风险也比较高；步入成长期后，商家突破了引入期的种种困难，开始实现销售额和利润的快速增长，不断获取更多的顾客以及扩大市场份额，直到销售增长速度趋于饱和；而成熟期的零售商无论在销售额、市场规模、顾客体量上都已趋于饱和，增长速度为零甚至为负数；衰退期的零售商销售额不断下降，以低价清仓止损、转型为主要发展战略。由此可知，零售商的发展特征在生命周期的四个阶段内有着本质的区别，包括本研究涉及的连锁经营特征、店铺的星级评分特征以及开业时长特征。
首先，对连锁经营特征来说，零售商通常在成长期或成熟期阶段才开始实行连锁经营，逐步扩大市场规模。连锁经营是指企业在统一化、标准化管理的基础上进行组织扩展的经营形式，销售、经营决策相对非连锁零售商更专业，管理运营成本也相对较低，能够体现出连锁经营的规模经济效益 [ 27-28 ]。零售商的连锁扩张可使商家品牌的知名度快速上升，其独特的竞争优势能够比非连锁零售商收获更多的潜在顾客，获得更好的口碑。
根据企业生命周期理论，连锁经营的零售商企业通常都位于发展阶段的成长期、成熟期。在这个阶段内，扩大市场份额以及吸引更多顾客是企业的首要发展任务，所以提供外卖服务是零售商扩大市场份额的重要途径，餐饮商家就是典型的例子。相对于非连锁商家而言，一方面，连锁商家的知名度更高，顾客的分布范围更大，商家辐射的范围更广；另一方面，连锁商家的忠诚顾客比例更高，且当顾客与店铺的地理距离较近时，顾客与商家之间更容易形成较高的忠诚度[29]。这两方面的原因导致连锁商家的线下忠诚顾客离商家距离较近，而线上顾客离商家则相对较远。
有研究表明，外卖的顾客满意度、忠诚度是导致重复购买行为的重要影响因素[ 30-31 ]，由于连锁外卖商家相对于非连锁外卖商家的忠诚顾客较多，因此其销售量也更多，且忠诚顾客贡献的销售额占较大比重。在顾客地理距离分布与外卖销量
U
的“倒 型”关系中，连锁商家相对于非连锁商家的
U销量更高，且顾客的分布更为集中，因此“倒 型”曲线更为陡峭；另外，连锁商家的线上顾客与商家
U的远距离特征反映在“倒 型”曲线上的结果就是
1：拐点右移。据此可提出假设H1：外卖零售商家的连锁经营特征对顾客距离
U
分布与外卖销售量的“倒 型”关系具有调节作用。H1a：相对于非连锁外卖商家，连锁商家的顾
U客距离分布与外卖销售量关系的“倒 型”曲线的拐点右移。H1b：相对于非连锁外卖商家，连锁商家的顾
U客距离分布与外卖销售量关系的“倒 型”曲线更陡峭。
在网络购物、App
下单等线上交易场景中，顾App
客可以在 或网站上通过文字图片等形式针对产品或服务体验发表观点和经验，为其他消费者提供参考[ 32-33 ]。消费者在发表评论的同时还可以
1~5为零售商家打分，通常以 星为衡量尺度，所有评论的平均值就是该店铺所展示的店铺分数。在
App
外卖 中，多数商家都会展示店铺分数，反映了体验过该商家产品和服务的顾客对商家积极或消
极的看法，对新顾客形成商家的第一印象具有重要作用 [34]。较高的星级评分代表了顾客对商家产品和服务的高度认可，星级评分高的商家通常也有较多的忠诚顾客。
可见，星级评分变量与连锁特征变量具有相似性，评分高的外卖商家相对于评分低的外卖商家具有较多的忠诚客户，且这部分忠诚客户与商家的地理距离较近。在顾客地理距离分布与外卖
U
销量的“倒 型”关系中，星级评分高的商家相对于低评分商家的销量更高，且顾客的分布更集中，因
U
此“倒 型”曲线更为陡峭；另外，星级评分高的外
U卖商家与顾客的远距离特征反映在“倒 型”曲线
2：上的结果就是拐点右移。据此可提出假设H2：外卖零售商家的星级评分对顾客距离分
U
布与外卖销售量的“倒 型”关系具有调节作用。H2a：当外卖零售商家的星级评分提高时，顾
U客距离分布与外卖销售量关系的“倒 型”曲线的拐点右移。H2b：当外卖零售商家的星级评分提高时，顾
U客距离分布与外卖销售量关系的“倒 型”曲线更加陡峭。
零售商的开业时长特征与生命周期理论的联系最为直接。根据企业生命周期理论，开业时间较长的零售商家通常已经步入成长期甚至成熟期。从客户分布角度来看，引入期的商家由于未获得较高的知名度，客户数量较少且主要集中在距离商家较近或最容易接触到商家的地方，随着商家规模的发展，顾客数量也随着口碑传播和宣传而逐渐扩大，顾客的分布范围也逐步拓宽[ 22-25 ]，商家的发展离不开顾客数量和群体范围的增长与扩大。
对零售商家来说，外卖服务使商家可以通过与平台合作享受外卖平台上的客户资源，是商家拓展新顾客、挖掘新利润增长点的重要手段。开业时间较长的企业一般对应于成长期或成熟期，通常已经积累了相当一部分线下以堂食为主的顾客，这部分顾客距离商家较近，而外卖服务使商家
App能够扩展新顾客，使更多顾客通过外卖 或网站了解该商家，新顾客通常距离商家较远。因此，开业时间较长的商家外卖销售收入来源客户的距离
U更远，在顾客距离分布与外卖销量的“倒 型”关系曲线中表现为拐点的右移（距离更大）。另外，相对于新开业的零售商，开业时间较长零售商的顾客量、顾客覆盖范围以及销售量都有明显的提升，其外卖销量也更大，且外卖消费者主要分布在更
3：远的区域。由此可提出假设H3：外卖零售商家的开业时长对顾客距离分
U
布与外卖销售量的“倒 型”关系具有调节作用。H3a：当外卖零售商家的开业时长增长时，顾
U客距离分布与外卖销售量关系的“倒 型”曲线的拐点右移； H3b：当外卖零售商家的开业时长增长时，顾
U客距离分布与外卖销售量关系的“倒 型”曲线更加陡峭。
三、研究设计
（一）数据来源与数据收集本研究的数据来源包括两部分。首先，我们从饿了么蜂鸟配送物流公司收集订单数据。通过
2020 7 1合作沟通，本研究从 年 月 日始，连续收集北京市三个商圈区域、8
个配送站点、持续时长为31 8
天，共计超过 万条配送订单数据。为保证结果的稳健性，本研究删除了配送信息缺失、因故中途取消、配送失败以及其他异常信息的订单数据，以
76 852保证分析结果的有效性，最终共得到 份有
App效订单数据。其次，本研究从饿了么 以及互联
App网上收集商家信息，通过 上的商家页面收集开
App业时长信息与星级评分信息，通过 与互联网搜索确定商家是否为连锁经营。
本研究需要以外卖商家为对象研究商家顾客的地理分布特征，因此需要将订单数据整合成以商家、日期为样本单位的合并数据。具体步骤如下：第一，以商家为个体单位N，以日期为时间单位T，对每个商家每天的订单数量和订单金额进行加总，得到商家每日订单总量和每日外卖金额；第二，对商家每日全部有效订单以日期为单位，计算日均订单金额、日均订单配送距离与标准差、日平均订单配送时长（以秒为单位）；第三，为控制天气、空气质量因素的可能影响，从天气后报网（http：//www.tianqihoubao. com）收集了2020 7月
年
31
共 天的天气信息，并从中国空气质量在线监测
https：//www.aqistudy.cn/ historydata）收分析平台（
31
集了 天的当日空气质量信息。经整合后，得到
459 8 089的数据中包含 个商家，样本量为 个。
（二）变量说明与描述性统计基于整合后的数据，本研究的变量包括商家的日均订单距离（ Distance ）、日订单距离标准差（Distance_Sd）、日订单量（Day_Bills）、日均订单配送时间（ Delivery_Time）、周 末（Weekend ）、天气（Weather ）、空气质量（ AQI ）、是否连锁经营（Chain_Store）、星级评分（Star_Grade ）、开业时长（Operation_Days）。
日均订单距离（Distance）是指商家在某日的所有订单中各订单配送距离的平均值。为保证外卖
App订单的按时送达，顾客在 或网站上点外卖时通
5常只能在商家选择界面上看到 公里以内所有提
0~供外卖服务的商家，因此日均订单距离通常为5km
中的某个值。日订单距离标准差（ Dis⁃ tance_Sd）是与日均订单距离相对应的概念，对商家某日所有订单而言，求出平均距离的同时就会得到标准差。当标准差较大时，说明当日选择该
App
商家外卖 或网站顾客的地理分布较为分散；当标准差较小时，则说明较为集中。
日订单量（Day_Bills）是指商家在某日所有的订单数量。需要说明的是，并不是每个商家在每天都有顾客下单点外卖，当某个商家在某日无外卖订单时，虽然日订单量为零，但其他变量如日均订单配送时间、日均订单距离不可视为零。因此，整合后的订单数据就呈现为以商家为个体单位、以日期为时间单位的非平衡面板数据。在整合后
1。的数据样本中，日订单量的最小值即为
日均订单配送时间（Delivery_Time）是商家某日所有订单配送时间的平均值。订单配送时间以
App
秒为单位，从顾客在 或网站下单并付款成功后开始至顾客收到外卖为止的时间间隔，包括平台响应、指派骑手、商家备货、骑手取货送货等一系列环节。
是否连锁经营（Chain_Store）在本研究中属于虚拟二分变量。确定零售商家是否为连锁经营的
App
条件为：在饿了么 上有五家相同品牌名称且不同地点的外卖商家同处在营业中的状态，或该商家在除北京外的其他城市同样具有营业中的连锁店。满足其中一个条件即标定为连锁经营。如果
1，否则为0。商家属于连锁经营，则该变量值为星级评分（Star_Grade）变量取值在本研究中
1 5 1为位于 和 之间的一个数字，保留小数点后位。星级评分反映了顾客对该商家的总体评价，
5.0。本研究的星级评分统一采用最高评价为
2020 7 31
年 月 日商家页面上显示的评分。由于该评分为所有参与打分的顾客所给出分数的平均值，因此在短时间内不会改变。
开业时长（Operation_Days）定义为商家从开业始，距离本研究时间点为止的时长，以天数来衡
2020 7 1
量，计算方法为 年 月 日与商家开业日期之间的天数差值。
周末（Weekend）是与时间趋势有关的变量。本研究以日为单位，因此当某日为工作日时，取值为0；当某日属于周末时，取值为1。天气（Weather）变量也是影响外卖销量的一个考虑因素，因为在雨天、下雪天等不方便外出的天气时，人们点外卖的可能性会增加。北京市的六月至七月为夏季，因此本研究将是否雨天作为区分标准：当某日为雨
1，否则为0。空气质量与天气一样天时该变量为也会影响人们的外出活动。在空气质量较差、雾霾较重的情况下，人们的外出活动会减少。本研究采用环境空气质量指数（AQI）表示空气质量（参
2012
考 年中国环境保护部发布的《环境空气质量指数（AQI）技术规定（试行）》标准），AQI
越高说明雾霾越严重。
1各变量的描述性统计结果如表 所示。
1
表 各变量描述性统计
（三）模型设定本研究主要探讨外卖商家的顾客地理距离分
U布对外卖商家销量的影响，即“倒 型”影响关系，以及这种关系受商家特征相关变量的调节作用。
U型”关系作用的验证采用汉斯（Haans）等“倒 [ 35 ]
U
提出的方法。汉斯对“倒 型”关系的定义是，当因变量Y先随自变量X以递减的速度增大到最大值，然后随着X的继续增大，Y以递增的速度降低时，
U
就说明X和Y之间存在“倒 型”关系。在本研究中，我们在回归模型中加入日均订单距离的二次
U方项，通过二次方项回归系数的显著性判断“倒型”关系是否显著。
U同样根据汉斯等的方法论，“倒 型”的调节作用验证方法就是在带有自变量一次方项、二次方项的回归模型上增加一个第三方调节变量（变量
U Z）的影响。具体来说，带有调节变量的“倒 型”的基础模型为：
+ +
Y=β XZ+β Z+β
0 β1 X+β 2X2 β3 4X2 5Z
其中，β0为常数项，β1与β2
分别代表自变量的一次、二次项的系数，β3与β4
分别代表自变量的一次项、二次项与调节变量Z的交互项系数，β5代表调节变量的系数。针对此基础模型，汉斯等通过计算得出了Y达到拐点时的X值（记为X ）（将Z视为
*
参数并求Y对X的导数）。这个X*的值同时也是将基础回归模型视为一元二次方程时的解：
-β1 -
β3Z
X* =
2β +2
2 β 4Z
从X*的值可以看出，拐点所在的X值与Z值有直接的关系，Z的取值将会影响X*的取值。所以，接下来将X*对Z求一阶导数，可得： δX* -
β1 β 4 β2 β3
=
2（β2 + δZ β Z） 2
4由于分母是平方项因此必大于零，所以X*对Z
- β1 β 4 2 β3的导数的正负完全取决于分子（ β ）的正负。如果分子为正数，那么随着Z值的增加，X*的值增大，对应于拐点向右移；而分子为负数时则相反，随着Z值的增加，X*的值减小，对应于拐点向左移。另外，汉斯等还指出了判断曲线是否显著存在拐点左右移动的依据，这个依据就是β3
是否显著。总之，对于曲线拐点移动检验的步骤为，首先通过β3
是否显著来判断移动是否显著存在，然后通过β1β4-β2β3
的正负决定移动的方向。
除拐点的左右移动外，另一个需要检验的问题为曲线的峰度变化，即曲线随调节变量Z的增大呈现出变平缓还是变陡峭的状态。对此，汉斯等提出的方法是通过系数β4
的显著性以及正负来判
U断。当系数β4显著时，Z
的变化会引起“倒 型”曲
U线峰度的变化。具体来说，当β4
为正时，“倒 型”曲线会随着调节变量Z的增大变平坦；当β4为负
U
时“，倒 型”曲线会随着Z的增大变陡峭。
在本研究中，基础回归模型的X对应于日均订单配送距离变量，Y对应于商家的外卖日订单量或外卖日销量，Z对应于三个调节变量——连锁经营、星级评分、开业时长。因此，本研究建立如下普通最小二乘法（OLS）回归模型来验证研究中“倒U
型”曲线在不同调节变量水平上的差异： lnBill=β0+β1lnDistance+β2 lnDistance2+
Chain_Store×lnDistance+ β3
Chain_Store×lnDistance2+ β4
（1） β5 Chain_Store+β6 Control + μ lnBill=β0 +β1lnDistance+β2lnDistance2 + β3lnStar_Grade×lnDistance+
lnStar_Grade×lnDistance2+ β4 β5lnStar_Grade+β6 （2）
Control+μ lnBill=β0+β1lnDistance+β2lnDistance2+ β3lnOperation_Days×lnDistance+ β4lnOperation_Days×lnDistance2+ β5lnOperation_Days
+ β6 Control + μ （3）
lnBill上述三个回归模型中的 是日订单量（Day_Bills）取对数之后的变量值，代表商家的日订单量；lnDistance
为商家日均订单配送距离，并加入
U该变量的二次方项来验证其与订单量之间的“倒型”关系；系数β3~β5
所对应的变量为调节变量与日均订单配送距离的交乘项、二次方交乘项以及调节变量本身；其他的变量均为控制变量，包括日订单距离标准差、日订单配送时间，以及天气、周末、空气质量等。我们对除虚拟变量之外的变量均进行取对数处理，在一定程度上消除量纲的影响。
四、实证分析
（一）回归分析结果与假设检验我们以上述三个回归方程为基础，对连锁经
U
营特征在“倒 型”关系中的调节作用进行验证，即
H1~H3 OLS对假设 进行验证，以最为常用的 回归方法，通过不断加入新变量来验证商家日订单量各影响因素系数的显著性。数据分析工具采用Stata 14.0 2软件，回归结果如表 所示：
1
首先，模型 先加入环境因素变量天气、空气质量、周末/工作日三个变量，发现三个变量的回归系数都不显著（βweather=- 0.006，p>0.1；βAQI<0.000，p> 0.1；βWeekend=-0.033，p>0.1）。模型2
中加入反映主效lnDistance
应的自变量 以及自变量的二次方项，发
lnDistance β1=现系数均为显著， 的系数为正值（ 0.360，p<0.01 lnDis⁃
），二次方项的系数为负值（β2=-0.494， tance2 p<0.01）。自变量的二次方项系数为负且显著，意味着抛物线的开
U
口向下。因此“倒 型”关系得到验证，这一点与前人结果保持一
3
致。模型 中加入控制变量日订单距离标准差（Distance_sd）与日均订单配送时间（Delivery_Time），
β1 β2
发现 与 的系数正负向以及显著性水平均保持一致，证明
U “倒 型”关系结果具有一定的稳健性。
4模型 用来验证外卖商家的
U连锁经营特征变量对“倒 型”关系的调节作用。从结果可知，自变量一次方项与调节变量的交
β3=互变量的系数为正且显著（ 0.452，p<0.01），证明“倒U
型”曲线拐点移动的现象。对于移动方向的判断，需要计算β1β4-
β2β3
-β2β3的值。在本数据结果中，β β
1 4 0.164，说明随着的结果为正值 Z值的增加，X*的值增大，对应于拐点向右移。因此，相对于非连锁商家（Z=0），连锁商家（Z=1）“倒
U
型”曲线的拐点右移，拐点所对应的日均订单距离更远，意味着
H1a
得到验证。另外，日均订单配送距离二次方项交互变量的
著（β4=- 0.538，p<系数为负且显0.01），β4 U
为负时，“倒 型”曲线
的增大变陡峭。因此，H1b
会随着Z 得到验证。
5 U模型 用来验证外卖商家的星级评分对“倒型”关系的调节作用。从结果可知，自变量一次方项与调节变量的交互变量系数为负但不显著（β3= - 0.539 ，p>0.1），无法证明“倒U
型”曲线的拐点移动现象。因此，H2a
未能够得到验证。日均订单配送距离二次方项交互变量的系数为负且显著（β4= - 2.768 ，p<0.01）。由此可见，商家的星级评分越
U高，其日均订单配送距离与日外卖订单量的“倒型”曲线更为陡峭，H2b
得到验证。
2
表 回归分析结果汇总
6 U模型 用来验证外卖商家的开业时长对“倒型”关系的调节作用。从结果可知，自变量一次方项与调节变量的交互变量的系数为正且显著（β3= 0.267，p<0.01），证明“倒U
型”曲线拐点移动的现象。β1β4-β2β3 0.123，说明随着
的结果为正值 Z值的增加，X*的值增大，对应于拐点向右移。因此，外卖
U商家的开业时间越长，其“倒 型”曲线的拐点右移越明显，拐点所对应的日均订单距离更远，意味着H3a
得到验证。另外，自变量二次方项交互变量的
著（β4=- 0.230，p<0.01），说明“倒 U系数为负且显
型”曲线会随着Z的增大变陡峭。因此，商家的开
U型”曲线越陡峭。因此，H3b业时间越长，“倒 得到验证。
（二）结果分析我们可以通过画图的方法对顾客地理距离分
U布与外卖商家日订单量的“倒 型”关系，以及不同
U
调节变量对“倒 型”的调节作用进行直观展示，观察曲线变化。
1 U首先，图 直观地展示了连锁商家的“倒 型”
U曲线相对于非连锁商家“倒 型”曲线的变化。在
1
图 中，横轴表示日均订单距离的对数值，纵轴表
lnBill示因变量的残差，此残差为因变量 对所有控制变量进行回归之后的剩余残差，控制变量包括日订单配送距离标准差、日均订单配送时间、天气、周末/工作日、空气质量。需要说明的是，出于
U
对不同特征商家“倒 型”关系曲线的比较，需要控
U
制其他因素对“倒 型”关系的影响，因此不可直接对日订单量以及日均订单距离做二次项拟合，以
1
免造成偏误。从图 可以看到，实线所对应的连锁
U
商家的“倒 型”曲线相对于虚线更为陡峭，且实线
H1a H1b拐点相对于虚线拐点偏右，这与 与 的结果相一致。
2
图 展示了星级评分较高的外卖服务商家的U U “倒 型”曲线相对于评分低的外卖服务商家“倒
1型”曲线的差异，横轴与纵轴的尺度及单位与图
1
保持一致。在表 的描述性统计结果中，星级评分
4.661，因此我们将评分在4.7~5.0的均值为 之间的
4.6商家划分为“高评分商家组”，评分在 及以下的
2评分定义为“低评分商家组”。在图 中，两条曲线非常接近，两条曲线的拐点也非常接近，代表高星级评分外卖商家的实线相对于低星级评分商家对应
H2a的虚线更为陡峭，但陡峭程度差别较小。这与未得到验证、H2b
得到验证的数据结果相一致。H2a
本研究认为 无法得到验证的可能原因有两个：第一，星级评分仅代表体验过该零售商家外卖产品的顾客评价对其他顾客具有借鉴意义。但是，星级评分并非像连锁经营特征一样直接代表商家品牌的知名度，而是更多地代表顾客的重复购买意愿或忠诚度[ 31-32 ]，所以无法断定商家的顾客分布是否随着星级评分增高而改变。第二，样本数据的星级评分变量值的分布可能导致结果出
3 459现偏差。从表 中可以看出，所有样本的 个商
家中，70%商家的星级评分集中在4.6~4.8
之间，星4.4 5.85%。因级评分小于 的商家仅占所有商家的
App
为在商家 页面进行评价的顾客多为体验较好的顾客，体验较差的顾客往往较少进行评分，而评
4.8 4.6
分为 的商家与评分 的商家在产品和服务质量上的差别也通常较小。基于这两点原因，才使H2a H2b
未得到验证，而 虽然得到验证，但陡峭程度的变化不明显。
3
图 展示了开业时间较长的外卖服务商家的U
“倒 型”曲线相对于开业时间短的外卖服务商家
U 1 2保“倒 型”曲线的差异，横轴与纵轴与图 和图
1
持一致。在表 的描述性统计结果中，开业时长的
2 719.976 2020均值为 天，因此我们将开业日期距
7 1 2 720
年 月 日 天以上的商家划分为“长时开业商家组”，其余的商家划分为“短时开业商家组”。
3
从图 可以看到，代表长时开业商家的实线的拐点比代表短时开业商家的虚线的拐点靠右，并且实
H3a、H3b线相比于虚线更为陡峭。这与 得到验证的数据结果相一致。
五、结论与讨论
（一）研究结论本研究基于真实的外卖订单数据，对外卖零售商的线上外卖客户的地理分布规律进行探讨，分析商家特征对线上外卖客户地理分布规律的影响，验证连锁经营、星级评分、开业时长三个外卖商家特征变量对线上客户地理分布与外卖销量之间关系的调节作用，具体结论如下：
1.本研究在前人研究成果基础上再次验证了外卖零售商的线上顾客地理分布规律。基于外卖订单真实数据建立回归模型发现，商家的日均订
U单距离与商家的日订单量之间存在“倒 型”关系，即随着商家日均订单距离的增大，商家的日订单量呈现先增多后减小的趋势。这说明在与商家的距离处于适中水平时，顾客选择该商家下单的可能性最大。
2.外卖商家的连锁经营特征、开业时长特征在顾客地理分布与外卖订单量的关系中具有调节作用。相对于非连锁经营的外卖商家，连锁外卖商
U
家的“倒 型”曲线拐点右移且形状更为陡峭，说明连锁外卖商家的线上客户分布在更远的区域，且
3
图 长时开业商家与短时开业商家
U
的“倒 型”曲线对比
U
“倒 型”的规律更为明显。开业时长特征同样在顾客地理分布与外卖订单量的关系中具有调节作用，且方向与连锁经营特征一致。
3.外卖商家的星级评分特征在顾客地理分布与外卖订单量的关系中具有调节作用。相对于星
U级评分低的外卖商家，评分高的商家“倒 型”曲线形状更为陡峭，但拐点移动的假设没有得到验证。可能的原因有两个。首先，星级评分并非像连锁经营特征、开业时长特征一样直接代表商家品牌的知名度，而仅代表现有顾客的评价；其次，样本数据的星级评分变量值的非均匀分布导致结果出现偏差。
（二）理论意义本研究首先对外卖零售商的线上顾客地理分布规律进行探讨，验证外卖消费者与商家的地理
U距离分布对外卖订单量的“倒 型”影响关系。该结论对传统的商圈理论形成重要补充和延伸，从线上顾客的角度打破了“距离越近的顾客与商家黏性越高”的理论假设。对于提供外卖服务的零售商家来说，线上顾客的商圈特征与线下顾客有着本质差异。同时，本研究对外卖商家线上顾客
U
的“倒 型”分布规律的理论进行拓展，探讨外卖商
U
家的特征对商家“倒 型”分布规律的影响，即商家
U特征对线上顾客地理分布与外卖订单量的“倒型”关系的调节作用，使外卖零售商的线上顾客地
U
理分布规律的“倒 型”理论更为全面。（三）管理启示对于提供外卖服务的零售商家来说，本研究可为其在选址策略、广告促销策略的决策制定方面提供参考。
首先，对以外卖业务为主的零售商家来说，首
先需要确定线上外卖用户的大致分布范围，找出该分布范围的中心点，在离中心点适中距离的某个位置而非正中心点附近进行选址。对于适中距离的估计，可结合过往经验、同类商家的销售订单数据、与商家合作的物流配送公司等多种渠道综合分析后进行计算。同时，外卖零售商广告促销的对象也要根据该适中距离来确定，如线下广告或平面广告应投放到与商家距离适中的区域，外
App
卖平台 上的促销策略、店铺排名提升策略等应主要针对适中距离的线上外卖用户群体。
其次，对开店时间较长或连锁品牌经营的零售商来说，选址策略以及广告促销策略所依据的距离应该相对更远一些。同样，随着零售商的经营发展时长越来越长，连锁分店越来越多，在提供外卖服务时，需要注意其线上外卖消费者的“最优距离”分布以及变化特征，适时调整其顾客拓展及促销的策略，提高顾客下单率以及在外卖平台上的流量转化率。
参考文献：
[1]AVUSOGLU M.Electronic commerce and turkish patterns of online food delivery system[J].Journal of internet applica⁃ tions and management，2012（1）：45-62. [2]朱海静.我国餐饮业O2O运营模式及存在问题研究[J].商
业经济研究，2015（32）：82-83.
[3]张巧兵.外卖O2O
模式下第三方外卖平台收入确认问题探析[J].财务与会计，2016（5）：28-29.
[4]BALDACCI R，MINGOZZI A，ROBERTI R.New route relax⁃ ation and pricing strategies for the vehicle routing problem [J].Operations research，2011（5）：1 269-1 283.
[5]XU Z，TANG J.A coordination- based two- stage algorithm for pickup and delivery customers to airport[J].Lecture notes in electrical engineering，2014（242）：815-825. [6]蒋丽，王静，梁昌勇，等.基于改进蚁群算法的众包配送路
径研究[J].计算机工程与应用，2019（8）：244-249. [7]陈运娟，雷飞飞.基于SEM O2O
的外卖 平台顾客忠诚度影响因素研究[J].财会通讯，2017（5）：23-26.
[8]RAY A，DHIR A，BALA P K，et al.Why do people use food delivery apps （FDA）？a uses and gratification theory per⁃ spective[J].Journal of retailing and consumer services，2019 （51）：221-230.
[9]FAUZI A A. Critical factors on SME managers' adoption of online delivery service application[J].International journal of business and society，2019（3）：1 130-1 148. [10]焦腾啸，李先国，孟陆.线上客户地理分布对外卖零售商
经营决策的影响——基于饿了么外卖订单数据的实证研究[J].中国软科学，2020（3）：127-138.
[11]BENOIT D，CLARKE G P.Assessing GIS for retail loca⁃ tion planning[J].Journal of retailing and consumer services， 1997（4）：235-258.
[12]RAMESH G，PRASAD S，GOYAL S.A pilot study of organ⁃ ised retail formats and their location strategy in Mumbai：a study covering western suburbs from Bandra to Borivali[J]. Journal of retail & leisure property，2011（5）：476-492. [13]ROSS A，KHAJEHNEZHAD M，OTIENO W，et al.Integrat⁃ ed location- inventory modeling under forward and reverse product flows in the used merchandise retail sector：a multi- echelon formulation[J].European journal of opera⁃ tional research，2017（2）：664-676.
[14]GREWAL D，LEVY M，KUMAR V.Customer experience management in retailing：an organizing framework[J].Jour⁃ nal of retailing，2009（1）：1-14.
[15]GLAESER C K，FISHER M，SU X.Optimal retail location： empirical methodology and application to practice：final⁃ ist- 2017 M&SOM practice- based research competition[J]. Manufacturing & service operations management，2019 （1）：86-102.
[16]MURAD A A.Using GIS for evaluating retail centres loca⁃ tion at Jeddah city[J].International journal of services and operations management，2011（10）：255-273.
[17]SONIS M.Central place theory after christaller and further explorations- in memory of August Loesch，15 October 1906- 30 May 1945[C].Ersa conference papers.European regional science association，2005. [18]崔振华，杨婷.商业零售店选址分析[J].科技与管理，2008
（2）：42-45.
[19]ZENTES J，MORSCHETT D，SCHRAMM-KLEIN H.Stra⁃ tegic retail management：text and international cases[M].Wi⁃ esbaden：Springer Gabler Press，2011：229-252. [20]刘力宇.基于商圈理论的商业地产定位研究[J].商业经济
研究，2019（7）：183-186.
[21]OWEN S，YAWSON A.Corporate life cycle and M&A ac⁃
tivity[J].Journal of banking & finance，2010（2）：427-440. [22]MILLER D，FRIESEN P H.A longitudinal study of the cor⁃ porate life cycle[J].Management science，1984（2）：1 161-1 183.
[23]HANKS S H，WATSON C J，JANSEN E，et al.Tightening the life- cycle construct：a taxonomic study of growth stage configurations in high-technology organizations[J].Entrepre⁃ neurship theory and practice，1993（2）：5-29.
[24]AGARWAL R，SARKAR M.The conditioning effect of
time on firm survival：an industry life cycle approach[J].
Academy of management journal，2002（5）：971–994. [25]SIRMON D G，HITT M A，IRELAND R D，et al.Resource orchestration to create competitive advantage：breadth， depth， and life cycle effects[J].Social science electronic publishing，2011（5）：1 390-1 412.
[26]BERMAN B，EVANS J R.Retail management：a strategic approach[M].Upper Saddle River：Pearson Education Press， 2013：146-150. [27]于淑华.发展自由连锁增强中小批发、零售业的竞争力
[J].商场现代化，2001（4）：20-22. [28]夏春玉，张闯.大型零售企业规模扩张的理论解读——兼论流通企业的性质、规模与边界[J].商业经济与管理， 2004（11）：4-9，29.
[29]RABBANEE F K，RAMASESHAN B， WUC ，et al.Effects of store loyalty on shopping mall loyalty[J].Journal of retail⁃ ing and consumer services，2012（3）：271-278. [30]陈海涛，李同强，宋姗姗.在线外卖平台用户重复购买行
为的建模与实证研究[J].软科学，2015（11）：79-82. [31]张德鹏，陈春峰，张馥丽.
在线评价对顾客消费行为的O2O平台为例[J].企业经济，2017（3）：影响——以外卖
144-149.
[32]BA S，PAVLOU P A.Evidence of the effect of trust build⁃ ing technology in electronic markets：price premiums and buyer behavior[J].MIS quarterly，2002（3）：243-268. [33]DELLAROCAS C.The digitization of word of mouth：prom⁃ ise and challenges of online feedback mechanisms[J].Man⁃ agement science，2003（10）：1 407-1 424.
[34]LIU Y.Word of mouth for movies：its dynamics and impact on box office revenue[J].Journal of marketing，2006（3）：7489.
[35]HAANS R F J，PIETERS C，HE Z L.Thinking about U：the⁃ orizing and testing U- and inverted U-shaped relationships in strategy research[J].Strategic management journal，2016 （7）：1 177-1 195.
责任编辑：方程
JIAO Teng-xiao1，ZHAO Xiao-hua2 and LI Xian-guo1
（1.Business School，Renmin University of China，Beijing 100872，China；2.International School of Business and Finance，Sun
Yat-sen University，Zhuhai 519082，Guangdong，China）
Abstract：Recently，take-out delivery service industry has achieved a rapid development. For the retailers providing takeout service，it is of great significance for them to understand the geographical distribution rules of take-out service consumers to formulate site selection strategies and advertising promotion strategies. Previous studies have found that the influence of geographical distribution of online take-out service consumers on the order volume presents an "inverted U-shaped" relationship， but they have not explored the variances in the geographical distribution of online customers of different characteristics of takeout service retailers. The authors collect more than 80，000 order data from Eleme’s logistics company to testify the "inverted Ushaped" relationship between daily average order distance and daily order volume，which shows that when the distance is moderate，the possibility for customers to choose this retailer is the greatest；at the same time，this "inverted U-shaped" curve of online take-out service retailers with high star rating is steeper than that with low star ratings；the "inverted U-shaped" curve of the geographical distribution of online customers in chain retailers is steeper than that in non- chain retailers and the inflection point shifts to the right；and the "inverted U-shaped" relationship curve of stores with a longer opening period is steeper and the inflection point moves to the right compared with those with a shorter opening period. Based on this，take- out retailers should choose the location that with the moderate distance to the central point，but not the central point itself，and they should determine their advertising promotion strategies according to the site with moderate distance；and the site selection and advertising promotion strategies of stores with longer opening period or the chain retailers should be based on the site with longer distance， and they should timely adjust their customer expansion and promoting strategies to increase the ratio of customer ordering and the conversion ratio of flow.
Key words：take-out；take-out
Effect of Characteristics of Take-out Service Retailers on the
Geographical Distribution of Online Customers